試しにUPLOAD

1. 自己紹介 –
まずは、自己紹介を簡単に。
学生時代は、心臓とかコラーゲンとか藻の研究をしてました。
前職では、 B2B で”分析力を武器にする企業”への変革をお手伝いしたり
。
今はコンシューマ向けサイトのマーケティングプロデューサをやって
います。
-WEB 広告の運用をしたり、
- コンテンツ考えたり、
することがお仕事です。
今回は”レコメンドって何？”という所で、簡単な紹介と、某医師向け転
職サイトでの実用例を紹介したいと思います。
Copyright © 2010 M3, Inc. All rights reserved. 1

2. 免責 – まずは最初にごめんなさい。
本資料に掲載されている情報は、大学で数学の単位を一つも持ってい
ない私が独学でその辺からかき集めた情報であり、学術的、実務的に
一般的なものとは限りませんので、何卒ご容赦頂ければと存じ上げま
す。
Copyright © 2010 M3, Inc. All rights reserved. 2

3. そもそもレコメンドとは？
お題であるレコメンド（お薦め）とは何かを、ひとまずゆるく定義付けしてみたいと思います
。
レコメンドとは？
根拠を以て、他人に行動を促す事
Copyright © 2010 M3, Inc. All rights reserved. 3

4. レコメンドの種類
個人的な分類ですが、レコメンドには経験や勘、人気などに分けられると考えています。
1. 勘と経験
2. 人気
3. 類似
4. 規則 / 因果
Copyright © 2010 M3, Inc. All rights reserved. 4

5. レコメンドの種類 – 勘と経験
最も原始的にして、最も人に刺さるレコメンドを作る方法だと考えています。ただし、どうあ
がいてもスケールできないために WEB の世界では少数ですし、実施できる人も限られます。
1. 勘と経験
レコメンドを実施する人が、個人の勘や経験を根拠に、レコメ
ンド内容を決定する方法。
メリット
人間の感性という莫大な情報量を元にはじき出されるレコメン
ドのため、最も人に刺さるレコメンドを作ることができる。
ディメリット
万人が実現できるものでもなく、スケールもできないために
WEB の世界では少数派。
例：シェフのお薦め、○○セレクト…など
Copyright © 2010 M3, Inc. All rights reserved. 5

6. レコメンドの種類 – 人気
レコメンドに含めるかは微妙なレベルですが、気づかずに最もよく使われているレコメンドの
方式だと思います。
2. 人気
閲覧数や評価などでランキング表示する方式。
【大勢に注目されているモノは、来訪したユーザも欲しいモ
ノ】という仮説を元にレコメンドが作られている。
メリット
実装が簡易であり、ランダムに提示するよりは遥かに関心を引
きやすいモノをレコメンドすることができる。
ディメリット
レコメンドが最大公約数化してしまうため、刺さり具合はどう
しても鈍くなってしまう。また、注目 = 欲求とはならない問題
もある。
例：人気ランキング、新着ランキング…など
Copyright © 2010 M3, Inc. All rights reserved. 6

7. レコメンドの種類 – 類似
ユーザやモノを均一化して捉えるのではなく、【似てる人が欲しがったモノ】や【欲しいモノ
に似てるモノ】は同じく欲しいモノというパーソナライズ化されたレコメンドになります。
3. 類似
【似てる人が欲しがったモノは、欲しいモノ】
【ほしいものに似てるモノは、欲しいモノ】を根拠にレコメン
ドを作成する方法。
メリット
実装が比較的簡易で、パーソナライズ化されたレコメンドがで
きるため最初のレコメンドとしては実施しやすく効果的
ディメリット
ユーザやモノのコモディティが高いとレコメンドの精度が極端
に落ちてしまう。また、過去データのないモノに対しては比較
的脆弱
例：あなたに似た人はこんなものを買っています…など
Copyright © 2010 M3, Inc. All rights reserved. 7

8. レコメンドの種類 – 規則・因果
アソシエーションとか、ベイジアンとか、最近流行りのお洒落なレコメンド手法で、分析者の
腕によってレコメンドの質も変わってくる手法です。（この点では、 1 に立ち返っている気は
します…）
4. 規則・因果
【深夜コンビニでビールを買う 30F は、チーズを買う】や、
【深夜コンビニでビールを買う 30F は、実は唐揚げが欲し
い】といった情報を引き出し、レコメンドを作成する方法。
メリット
パーソナライズ化されており、潜在的ニーズにまでリーチした
レコメンドができる。
ディメリット
データ収集からクレンジング分析までのハードルが高く実装が
困難
例：バニーガールサービス、小売のパーソナライズクーポン…
など Copyright © 2010 M3, Inc. All rights reserved. 8

9. 今回紹介する事例 – 類似度レコメンド
本日ご紹介するレコメンドは、セグメント別の閲覧数ランキングなどからレコメンドを行なっ
ていた転職サイトの広告表示方法について、類似度を使ったレコメンド結果です。
アイテムベース
アイテムベース ユーザベース
ユーザベース
『欲しい商品に似てる商 『似た人が欲しいものは
根拠 品は、欲しいもの！』 、欲しいもの！』
求人票間の類似度 ユーザ間の類似度
計算法
閲覧中のアイテム 比較対象 類似度 ユーザ 比較対象 類似度 比較対象の
購入品
0.975
0.865
概念図 オススメ！
0.903
0.523
0.405
Copyright © 2010 M3, Inc. All rights reserved. 9

10. 類似度って … ？
類似度 ( 似ている度合い ) の事ですが、計算方法には距離や角度を使うなど様々な方法があり
、取り扱うデータによって何が最適解になるかは変動していきます。
距離
距離 ベクトル類似度
ベクトル類似度 集合類似度
集合類似度
ユークリッド距離 コサイン類似度 ジャッカード係数
標準ユークリッド距離 ピアソン相関係数 ダイス係数
マンハッタン距離 偏差パターン類似度 シンプソン係数
チェビシェフ距離
ミンコフスキー距離
マハラノビス距離
Copyright © 2010 M3, Inc. All rights reserved. 10

11. 事例紹介 – 転職求人票のレコメンド
例えば転職を探している時に、立地が重要なのか、年収が重要なのか、あるいは労働条件が重
要なのか。転職者が重要視するポイントをどれだけ抑えられるかがレコメンドの肝になります
。
年収
雰囲気
スキル
設備
立地
社会的意義
通勤
…
Copyright © 2010 M3, Inc. All rights reserved. 11

12. 事例紹介 – 転職求人票のレコメンド
そこで、ユーザの行動を数値化して類似度を計算します。今回は、人の類似度には Cosine 類似
度を使って計算しました。計算例を示します。
閲覧回数 訴求ポイント
東京
東京 神奈川
神奈川 静岡
静岡 …
… 年収
年収 週休 3 日 週休 4 日 楽な仕事 専門施設 術数多い
週休 3 日 週休 4 日 楽な仕事 専門施設 術数多い
ユーザ A 100 80 30 Ｘｘｘ 1600 30 40 60 0 0
比較 B 110 100 10 Ｘｘｘ 1200 0 0 0 50 40
比較 C 50 150 20 Ｘｘｘ 1700 30 20 30 3 2
1 行を一本のベクトルとして以下の式を計算
 
a ⋅b
類似度 =cos θ=  
a b
ユーザ A さんは、楽で年収の高い東京の仕事を探している人。比較 C
さんは、神奈川の人だが探している仕事の種類は似ているので、 C さ
んが応募した病院にユーザ A さんが申し込む確率は高い！
Copyright © 2010 M3, Inc. All rights reserved. 12

13. 事例紹介 – 転職求人票のレコメンド
レコメンドにより既存の表示方法と比較して約 50%CTR が改善し、サイト内に広告を掲載し
た際の期待価値（ Display Value) が 5.84 円→ 9.30 円に向上した。
Copyright © 2010 M3, Inc. All rights reserved. 13

14. まとめ –
最後の資料を作っていて時間が中途半端に余ったので…
取り組んでみると最初は意外と簡単に始められる。
初めてなら効果も出てかなりハッピーな状態になれる。
ただ、簡単とおもいきや発展させようとすると意外と奥が深い
。
何が正しくて、何が間違っているか教えてくれる人も少ない。
次第にデータの解釈がうまく行かずすれ違いが生じる。
そもそも、都合よく解釈して浮かれてたことに気づく。
気を取り直してデータと向き合うと、そんなデータはもういな
い。
DB をひっくり返してようやくたどり着いても、表情がわから
ない。
Copyright © 2010 M3, Inc. All rights reserved. 14